Jun, 2023

BioREx：利用异构数据集提高生物医学关系抽取的准确性

PDF
TL;DR本论文提出了一种数据丰富的方法，将多个医学相关的 Relation Extraction 数据集组合成一个大型数据集，并使用 BioREx 实现了关系提取任务，结果表明，BioREx 在各种关系任务中的表现都优于当前最好的执行方法。
biomedical relation extractionnatural language processingmachine learning modelsbiorexdata-centric approach
发现论文，激发创造
  • BioRED：一份丰富的生物医学关系提取数据集

    本文提出了一个多实体类型和多关系对的文献级生物医学关系抽取数据集 BioRED，包括新发现和先前已知的信息，旨在评估现有状态下的自动化算法，为更准确、高效和稳健的生物医学关系系统的开发奠定基础。

    Apr, 2022

  • 关系抽取在临床文档理解中的应用

    该文介绍了一种文本挖掘框架，利用 Named Entity Recognition 和 Relation Extraction 模型对医学文献和数字临床记录进行处理，取得优异的实验结果，并构建了一个生物医学知识图谱。系统使用 Spark NLP 库提供的生产级、可伸缩、硬件优化、可训练和可调整的 NLP 框架。

    Dec, 2021

  • 基于知识的跨文档关系抽取

    我们提出了一种新颖方法 KXDocRE，在跨文档关系抽取中嵌入了实体的领域知识，相比基准方法具有三个主要优势：1）它将实体的领域知识与文档的文本结合起来；2）它通过生成解释性文本来解释实体之间的预测关系；3）它在性能上优于先前的方法。

    May, 2024

  • CrossRE：一个跨领域的关系抽取数据集

    本文提出了一种新的跨领域关系抽取基准，并提供了元数据和多标签注释来帮助理解困难实例。作者通过在六个不同的文本领域上进行评估，评估了最先进的关系分类模型，发现跨领域关系抽取的困难性，为该方向的研究提供了新的数据集和启示。

    Oct, 2022

  • REflex: 在多个领域中灵活进行关系抽取的框架

    本文通过在三个常用数据集上的系统探索建立关系提取的统一框架，发现预处理对性能的影响巨大，且缺少信息会进一步阻碍公平比较，文章还就未来研究提出了建议。

    Jun, 2019

  • 关系抽取的含义是什么？有关数据集的调查和科学关系分类研究

    本文对关系抽取数据集进行了全面的调查及研究任务定义及其应用。 研究发现，跨数据集和跨领域设置特别缺乏，并通过对两个数据集的科学关系分类进行了实证研究，发现注释存在实质性的差异，这解释了跨数据集评估中大幅度下降的原因。 最后，本研究呼吁在关系抽取中更加严格地报告设定和跨多个测试集进行评估。

    Apr, 2022

  • 基于 BioRelEx 的实体标记及关系抽取的基准测试

    通过对生物实体及其关系进行比对和基准测试，本研究发现：基于跨界多任务体系结构的提取方法和加入预训练相关领域信息可显著提高生物实体标记和关系提取的准确性。

    May, 2020

  • 基于对话的关系抽取

    本文介绍了第一个人工注释的基于对话的关系抽取（RE）数据集 DialogRE，用于支持在对话中预测两个参数之间的关系，尤其是涉及多个句子的跨句子 RE 任务，并基于分析指出演讲者相关信息在该任务中发挥了关键作用。在提出一个新的评估指标以评估在会话环境中进行 RE 方法的性能之后，本文研究了几种常用的 RE 方法在 DialogRE 数据集上的表现，并通过实验证明，最佳表现模型的扩展可以在标准和会话环境的评估设置中都取得收益。

    Apr, 2020

  • 以实体为中心的跨文档关系抽取

    本论文提出基于实体的文档上下文过滤来构建输入并基于跨路径实体关系注意力的交叉文档关系提取模型，与现有方法比较，在 CodRED 数据集上取得至少 10％ 的 F1 值的提升，从而展示其在跨文档关系提取中的有效性。

    Oct, 2022

  • 具有关系相关增强的文档级关系提取

    我们提出了一种关系图方法，用于明确利用关系之间的相互依赖性，在文档级别关系抽取中考虑关系的相互关联，并通过关系图模型化关系之间的相关性，以及通过关系信息传播的关系相关矩阵的重要性。实验结果验证了我们的方法可以提高多关系抽取的性能，在文档级别关系抽取中考虑关系的相互关联的有效性。

    Oct, 2023